Toward a Better Driving Experience: A Machine Learning and Model Predictive Control Approach

Abstract

Le contrôle de la circulation est, depuis le siècle dernier, au cœur des préoccupations des chercheurs, notamment en raison du besoin croissant d’améliorer l’expérience de conduite, de réduire les embouteillages et de prévenir les accidents de la route. Grâce à l’augmentation de la puissance de calcul et aux progrès technologiques, il est désormais possible de développer des solutions de contrôle plus robustes, capables de gérer diverses tâches complexes liées au trafic, qui dépassaient auparavant les capacités des systèmes de conduite autonome.

Les embouteillages sont connus pour entraîner des trajets plus longs et une augmentation de la pollution. Ainsi, en proposant une solution de routage optimal, nous visons à améliorer l’expérience de conduite. Dans cette optique, cette thèse commence par étudier l’acheminement optimal du trafic comme une solution au problème de la congestion routière, devenue une source de désagréments quotidiens pour les conducteurs dans la plupart des villes modernes.

De plus, pour atteindre une autonomie complète, une stratégie de routage fiable et rapide est nécessaire afin de calculer les itinéraires optimaux. Cependant, les algorithmes statiques et centralisés existants présentent d’importantes limites qui les empêchent de résoudre efficacement le problème de la congestion, en particulier compte tenu de la taille des villes modernes et du volume du trafic quotidien.

Par conséquent, le premier système proposé exploite les avancées de l’intelligence artificielle, notamment les réseaux de neurones profonds, afin d’entraîner des modèles capables d’acheminer le trafic dans des réseaux routiers dynamiques en grille. Le second système combine la puissance de l’algorithme Q-routing avec le clustering spectral afin de proposer une solution de routage plus évolutive, adaptée aux grands réseaux routiers. Ainsi, les systèmes de routage proposés permettent un acheminement efficace du trafic, optimisant l’utilisation des ressources et minimisant la longueur moyenne des trajets, leur durée ainsi que la consommation de carburant des véhicules.

Dans un second temps, nous abordons le problème du dépassement des véhicules, considéré comme l’une des manœuvres les plus dangereuses effectuées par les conducteurs et l’une des plus difficiles à maîtriser pour les systèmes de conduite autonome. Cette manœuvre est à l’origine de nombreux accidents mortels chaque année. Nous nous intéressons plus particulièrement à l’évaluation fiable et efficace de la sécurité d’un dépassement d’un véhicule qui précède sur une route à deux voies.

Cependant, peu de travaux dans la littérature ont proposé des solutions réalistes et pratiques à ce problème sans supposer une connaissance préalable de l’état de l’environnement ni recourir à des simplifications des modèles de véhicules. Ces simplifications rendent de nombreuses solutions proposées dans la littérature difficilement applicables à des situations réelles. Par ailleurs, les dangers associés à un dépassement mal exécuté, ainsi que le risque élevé d’accidents lors de manœuvres à grande vitesse, soulignent la nécessité de développer des systèmes de contrôle fiables et robustes.

Pour répondre à ces enjeux, nous proposons une architecture fondée sur le contrôle prédictif, capable d’effectuer en toute sécurité le dépassement d’un véhicule qui précède, même en présence de trafic en sens opposé. Le système permet d’évaluer avec précision la sécurité de l’engagement d’une manœuvre de dépassement, tout en assurant le contrôle du véhicule pendant son exécution, afin de garantir un dépassement sans collision grâce à un modèle complet et réaliste de la dynamique du véhicule.

Ce système s’appuie sur une représentation dynamique du véhicule et des forces exercées sur les pneus afin de construire un modèle fidèle de l’interaction entre le véhicule et la route, garantissant ainsi une conduite robuste et sûre. Il utilise également une approche de vision stéréoscopique et des techniques d’apprentissage automatique, notamment YOLO et Deep SORT, pour recueillir des informations sur l’environnement, telles que la largeur de la voie, son centre et la distance séparant le véhicule des véhicules voisins.